真實世界的複雜性與多目標權衡

在真實世界裡，最佳化問題很少只有一個目標，也很少只有一個答案。同一個系統往往要同時兼顧效能、延遲、能耗與成本；這些目標彼此牽制，改善其中一項，常常要以犧牲另一項為代價。因此，EvoX 的價值不在於更快地收斂到某個「唯一最佳」，而在於保留一組彼此有差異的候選方案，讓研究者可以在限制條件之內比較效益與代價，並持續探索。

為什麼真實世界很難有唯一最佳解

• 目標與限制條件隨場景變化：面向離線評測、面向行動裝置、面向高併發線上服務，三者的優先目標完全不同，同一套配置很難同時勝出。
• 限制條件帶有不可破壞的邊界：端到端延遲上限、單位推論成本預算、顯示記憶體與功耗上限等，屬於候選方案必須滿足的邊界，而不是可以用「整體更好」來交換的籌碼。
• 多目標相互牽制：精度提高 → 運算量與能耗上升 → 延遲與成本上升；反向壓縮延遲 → 往往要接受精度下降。沒有免費的改進。

非支配解與帕雷托前緣

當兩個候選無法相互比較出絕對優劣時，它們才構成真正的選擇空間。判定方法很直接：如果一個候選在所有目標上都不比另一個差，並且至少在某一個目標上更好，那麼另一個候選就是被支配解，可以在下一輪淘汰；反之，兩者互不支配，都應當保留在候選集合裡。所有互不支配的候選連在一起，就形成帕雷托前緣——它把「改善一項要犧牲多少另一項」的交換關係完整地保留下來。

研究者的關鍵提問

• 什麼對象可以改變？——模型結構、蒸餾策略、量化位元寬度、批次處理大小，還是服務排程策略？
• 什麼回饋能說明變化確實有效？——離線精度、線上延遲分位數、單位成本，還是資源佔用曲線？
• 哪些限制條件不能被破壞？——硬性延遲上限、成本預算、合規與安全邊界。
• 比較是否公平？——是否在同一硬體、同一流量分佈與同一評測標準下對比。
• 結果是否足以支持結論？——樣本量與線上流量覆蓋是否充分，結論是否可重現。
• 下一輪保留什麼、放棄什麼？——淘汰被支配解，保留互不支配的差異化候選。